郭 敏，尚振宏，強振平，黎敬濤，冼祥貴，楊志鵬

(1.昆明理工大學信息工程與自動化學院，云南昆明 650500；2.西南林業(yè)大學大數(shù)據(jù)與智能工程學院，云南昆明 650224)

日冕物質(zhì)拋射(Coronal Mass Ejection，CME)是等離子體從太陽的日冕層噴射到行星際空間的一種動態(tài)事件。它在20世紀70年代早期的天空實驗室(Skylab)任務(wù)中被首次觀測到，是源自太陽的最大和最具活力的爆發(fā)現(xiàn)象，并且可以通過白光日冕儀在延伸的日冕中觀察到[1]。由于日冕物質(zhì)拋射是一種巨大的磁化等離子體噴發(fā)，因此，它能以高達每秒數(shù)千千米的速度傳播[2]。鑒于這種爆發(fā)活動引發(fā)的太陽高能粒子事件和地磁暴會影響航空安全、衛(wèi)星運行、通信系統(tǒng)、電力設(shè)施等，因此有必要對日冕物質(zhì)拋射進行檢測，為空間天氣預(yù)報提供預(yù)警信號，從而采取相應(yīng)的措施以避免不必要的損失[3]。此外，有關(guān)日冕物質(zhì)拋射的統(tǒng)計信息對于更好地了解其性質(zhì)也非常重要。日冕物質(zhì)拋射的概念一直比較模糊，這種定義的不明確性導(dǎo)致不同檢測方法得到的日冕物質(zhì)拋射特征和數(shù)量有所不同。文[4]將日冕物質(zhì)拋射定義為發(fā)生在幾分鐘到幾小時的時間尺度上，在日冕視場中出現(xiàn)的新的、離散的、明亮的白光特征。由于日冕物質(zhì)拋射現(xiàn)象與其他太陽活動有相似的特征，為了對日冕物質(zhì)拋射的認識更加準確，文[5]將日冕物質(zhì)拋射的定義修改為：在日冕視場中出現(xiàn)的一種新的，離散的，明亮的白光特征，并具有徑向向外的速度。圖1是空間環(huán)境預(yù)報中心的SOHO/LASCO C2衛(wèi)星觀測到的一次日冕物質(zhì)拋射的爆發(fā)過程。

隨著SOHO，Wind和STEREO等衛(wèi)星的發(fā)射，日冕物質(zhì)拋射的檢測和識別成為可能。其中1995年發(fā)射的SOHO衛(wèi)星搭載的LASCO日冕儀可以觀測到日冕物質(zhì)拋射的發(fā)生過程，得到日冕物質(zhì)拋射的影像資料，通過這些資料可以檢測日冕物質(zhì)拋射的運動狀態(tài)，進而得到日冕物質(zhì)拋射的描述參數(shù)(位置角、角寬度、速度等)。目前，國內(nèi)外關(guān)于日冕物質(zhì)拋射的檢測研究已經(jīng)取得很大進展，形成了許多日冕物質(zhì)拋射目錄，為以后的進一步研究提供了基準和參考。

為了方便讀者詳細了解目前日冕物質(zhì)拋射檢測的研究進展，并為相應(yīng)研究提供借鑒，本文梳理了國內(nèi)外關(guān)于日冕物質(zhì)拋射檢測的一些方法，給出了具有代表性方法的具體識別過程。同時為了便于讀者理解，本文將目前日冕物質(zhì)拋射檢測方法分成了兩大類：基于手工識別的方法和基于自動檢測的方法，同時又根據(jù)所選取的特征和采用的技術(shù)將自動檢測方法分為4類：基于灰度特征、基于紋理特征、基于光流法和基于學習的方法。

1 日冕物質(zhì)拋射的特征

日冕物質(zhì)拋射檢測實質(zhì)上是利用人工標記或計算機自動識別的方法檢測日冕物質(zhì)拋射事件，從而得到日冕物質(zhì)拋射的特征。常用的日冕物質(zhì)拋射的特征包括速度、張角、發(fā)生規(guī)律等。

1.1 日冕物質(zhì)拋射的速度

日冕物質(zhì)拋射是一種運動的過程，其速度是一個重要的物理特性。由于目前觀測到的日冕物質(zhì)拋射通常是在天空平面的投影，因此一般情況下，日冕物質(zhì)拋射的速度是指日冕物質(zhì)拋射最快前沿的運動速度[6]，它由日冕物質(zhì)拋射前沿的“時間-高度”數(shù)據(jù)經(jīng)過線性擬合得到。圖2是協(xié)調(diào)數(shù)據(jù)分析研討會中心(Coordinated Data Analysis Workshop，CDAW①CDAW： https：//cdaw.gsfc.nasa.gov/CME_list/)目錄中2017年7月2日13時25分42秒發(fā)生的一個日冕物質(zhì)拋射的時間-高度圖。日冕物質(zhì)拋射的速度范圍為10～3 500 km/s，一般情況下，速度>1 000 km/s為快速日冕物質(zhì)拋射，速度＜100 km/s為緩慢日冕物質(zhì)拋射[7]。

1.2 日冕物質(zhì)拋射的張角

日冕物質(zhì)拋射的大小一般用張角(角寬度)衡量，張角是日冕物質(zhì)拋射區(qū)域兩個邊緣所構(gòu)成的角度，在數(shù)值上等于兩邊緣的位置角之差。圖3是CACTus軟件檢測到的一個日冕物質(zhì)拋射，其中a，b兩處為某時刻發(fā)生的日冕物質(zhì)拋射區(qū)域的位置角，張角則為圖中白色實線中間的角度。日冕物質(zhì)拋射的張角從幾度到360°，360°的日冕物質(zhì)拋射稱為暈狀日冕物質(zhì)拋射，一般情況下，寬度>120°為寬日冕物質(zhì)拋射，寬度＜30°為窄日冕物質(zhì)拋射[7]。

1.3 日冕物質(zhì)拋射與太陽黑子數(shù)的關(guān)系

日冕物質(zhì)拋射的發(fā)生規(guī)律與太陽黑子活動周有關(guān)，在太陽活動極小年時為0.5個/天，在太陽活動極大年時為2～6個/天。圖4為2008年到2017年間協(xié)調(diào)數(shù)據(jù)分析研討會目錄記錄的日冕物質(zhì)拋射的數(shù)量，圖5中的數(shù)據(jù)來源于太陽黑子指數(shù)和長期太陽觀測(SILSO②SILSO： http：//sidc.oma.be/silso/home)中近13年太陽黑子的數(shù)量，可以看到，在這兩幅圖的重疊時間段(2008年～2017年)，日冕物質(zhì)拋射的發(fā)生頻率和黑子的基本一致，因此，可以說明日冕物質(zhì)拋射的發(fā)生規(guī)律與太陽黑子活動周有關(guān)。

2 日冕物質(zhì)拋射檢測方法

十多年來，研究者們利用多種方法檢測到日冕物質(zhì)拋射事件及其特征，并且制成了日冕物質(zhì)拋射目錄供科研人員學習研究。目前日冕物質(zhì)拋射的檢測方法主要分為兩大類：

(1)基于手工方法標識日冕物質(zhì)拋射：主要有兩個著名的目錄：CDAW目錄和海軍研究實驗室(Naval Research Laboratory，NRL)目錄，這種方法主要靠觀測者每天手動記錄數(shù)據(jù)進行日冕物質(zhì)拋射的編目，比較耗時；

(2)基于自動方法檢測日冕物質(zhì)拋射：由于日冕物質(zhì)拋射是一種動態(tài)變化的過程，通常具有明亮的強度特征和復(fù)雜的紋理結(jié)構(gòu)。依據(jù)日冕物質(zhì)拋射檢測選用的特征及技術(shù)手段將現(xiàn)有的自動檢測方法分為4類進行概述和分析，表1是對日冕物質(zhì)拋射檢測方法的總結(jié)。

圖2 CDAW目錄中2017年7月2日13時25分42秒發(fā)生的一個日冕物質(zhì)拋射的時間-高度圖Fig.2 The time-height plot of a CME occurring at 13：25：42 on July 2，2017 in the CDAW catalog

圖3 日冕物質(zhì)拋射的角寬度Fig.3 The angular width of a CME

圖4 2008年到2017年間CDAW目錄記錄的日冕物質(zhì)拋射的數(shù)量Fig.4 Number of CMEs recorded between 2008 and 2017 in the CDAW catalog

圖5 近13年太陽黑子數(shù)量的變化情況Fig.5 Evolution of sunspot numbers in the past 13 years

2.1 手工識別目錄與自動檢測目錄的比較

日冕物質(zhì)拋射與耀斑、太陽高能粒子、地磁風暴等許多現(xiàn)象有關(guān)，因此檢測日冕物質(zhì)拋射現(xiàn)象并編制事件目錄對于國內(nèi)外研究工作者理解這些現(xiàn)象并開展相關(guān)工作非常重要。日冕物質(zhì)拋射目錄是將檢測到的日冕物質(zhì)拋射事件特征以數(shù)據(jù)和圖表的形式記錄下來，相關(guān)參數(shù)特征主要包括速度、角寬度、位置角等。根據(jù)上述介紹的日冕物質(zhì)拋射檢測方法可以得到兩類日冕物質(zhì)拋射目錄：手工識別目錄和自動檢測目錄，通過以CDAW目錄和CACTus目錄為代表進行特征(速度v和角寬度W)的比較[7]得到這兩類目錄的特點：

(1)識別狹窄的日冕物質(zhì)拋射(W＜30°)：研究表明，在同一時期CACTus檢測到的窄日冕物質(zhì)拋射遠遠多于CDAW，主要原因在于CDAW目錄在太陽活動極大年遺漏了許多窄日冕物質(zhì)拋射。

(2)識別快速的日冕物質(zhì)拋射(v>1000km/s)：在同一時期雖然CACTus檢測到的快速日冕物質(zhì)拋射多于CDAW，但是在檢測到的32%的真正日冕物質(zhì)拋射中只有6%是快速日冕物質(zhì)拋射。

因此可以得出結(jié)論：手工目錄和自動檢測目錄各有優(yōu)缺點，由于手工目錄是基于人工標記的，因此不可避免地遺漏許多狹窄的日冕物質(zhì)拋射；而自動檢測目錄雖然比手工目錄識別的快速日冕物質(zhì)拋射多，但是準確率不高。

2.2 手工方法標識日冕物質(zhì)拋射

1971年發(fā)現(xiàn)日冕物質(zhì)拋射現(xiàn)象以來，已經(jīng)被多種星載儀器觀測到。自1995年SOHO航天器發(fā)射，日冕物質(zhì)拋射觀測主要采用LASCO日冕儀。LASCO CME的識別和編目是一項重要任務(wù)，為進一步的科學研究提供基礎(chǔ)知識。

NRL目錄由LASCO觀測員編制，他們查看LASCO日冕圖像的序列并記錄每天發(fā)生的事件。這是一份初步目錄，提供有關(guān)日冕物質(zhì)拋射時間和大致的位置信息。

CDAW目錄是由美國宇航局、美國天主教大學以及海軍研究實驗室合作，在CDAW數(shù)據(jù)中心生成和維護。標記的每個日冕物質(zhì)拋射由發(fā)生的日期和時刻確定，該目錄提供了日冕物質(zhì)拋射屬性的一些測量值，包括速度和角寬度等，同時還提供了確定日冕物質(zhì)拋射速度的“時間-高度”圖。除了得到的數(shù)據(jù)和圖表之外，該目錄還包含由日冕儀得到的日冕物質(zhì)拋射圖像序列，可供用戶下載查看。

由于NRL目錄和CDAW目錄都是觀測者手工標識的，即使對于同一觀測者，識別能力也不是恒定的。因此，所提供的事件和測量的參數(shù)受人類主觀因素影響較大，同時編目過程也非常耗時。

表1 日冕物質(zhì)拋射檢測方法總結(jié)Table 1 Summary of CME detection methods

2.3 自動方法檢測日冕物質(zhì)拋射

傳統(tǒng)的日冕物質(zhì)拋射檢測方法基于人工觀測，這種方法效率低，容易受到個體主觀因素的影響，隨著近年來自動識別技術(shù)的迅速發(fā)展，出現(xiàn)了很多自動檢測日冕物質(zhì)拋射的算法，為日冕物質(zhì)拋射的檢測研究提供了新方法。由于日冕物質(zhì)拋射具有不同的形態(tài)、尺度和特征，通常表現(xiàn)為一個明亮、紋理復(fù)雜的增強結(jié)構(gòu)，尾隨著一個亮度不足的暗區(qū)域[3]，可以將現(xiàn)有的自動檢測方法分為4類。

2.3.1 基于灰度特征的方法

灰度特征是基于像素點表示圖像亮度的特征，與背景灰度特征不同，日冕物質(zhì)拋射具有更明亮的結(jié)構(gòu)，通常表現(xiàn)為明亮的白光特征，因此通過提取灰度特征檢測日冕物質(zhì)拋射是一種很直觀的思路。目前，基于灰度特征檢測日冕物質(zhì)拋射的方法研究較為成熟，國內(nèi)外已經(jīng)有不少人利用該方法進行日冕物質(zhì)拋射檢測并且取得了良好的效果。計算機輔助跟蹤軟件包(CACTus)和太陽能爆發(fā)事件檢測系統(tǒng)(SEEDS)是其中具有代表性的兩種檢測方法。

CACTus方法由文[5，8]提出，該方法通過濾波去噪、極坐標變換、幀間差分以及整合LASCO C2和C3圖像完成預(yù)處理。對不同時刻t的差分圖像[θ，r]進行整合，得到[t，θ，r]數(shù)據(jù)立方體，該立方體沿指定角度θ的切片[t，r]中的一條脊線是一個日冕物質(zhì)拋射沿指定角度θ上的噴射表現(xiàn)。為了能清楚地看到脊線，將切片圖顏色進行反轉(zhuǎn)得到傾斜的暗黑脊線，如圖6。由于霍夫變換[26]是一種圖像處理技術(shù)，它可以從圖像中檢測出線段，因此霍夫變換被用來檢測[t，r]切片中的脊線。同時霍夫變換檢測到的脊線是沿一個角度切片的日冕物質(zhì)拋射，為了得到完整的日冕物質(zhì)拋射，將圖像投影到[v，θ，t]數(shù)據(jù)立方體中，速度v可通過脊線段長度計算得到，此時日冕物質(zhì)拋射識別便轉(zhuǎn)換為[v，θ，t]立方體中點的聚類問題。由于CACTus認為同一個日冕物質(zhì)拋射沿不同θ方向的徑向速度相似，v方向信息對聚類貢獻較小，為了降低計算復(fù)雜度，對[v，θ，t]沿v方向積分，使得聚類轉(zhuǎn)換到二維空間[θ，t]中進行，從而在日冕物質(zhì)拋射概覽圖中得到聚類的位置，該位置為日冕物質(zhì)拋射發(fā)生的起始時間和角度，垂直方向上聚類的長度表示日冕物質(zhì)拋射噴發(fā)持續(xù)的時間。

圖6 時間-高度圖中檢測脊線，圖像來源于BERGHMANS等(2004)[8]Fig.6 Detected ridges in a time-height diagram，image from BERGHMANS et al.(2004)[8]

CACTus軟件第1個利用自動方法實現(xiàn)日冕物質(zhì)拋射檢測，相比于人工標識，該方法檢測速度快，檢測準確率高，可以檢測到CDAW目錄中約75%的日冕物質(zhì)拋射，并且能夠檢測到CDAW目錄中沒有檢測到的弱日冕物質(zhì)拋射。目前，CACTus軟件編制了一個從1996年至今的在線目錄③CACTus： http：//sidc.oma.be/cactus/。

SEEDS方法由文[9-10]提出，檢測過程使用基于區(qū)域增長算法的圖像分割技術(shù)。與CACTus類似，該方法通過歸一化輸入圖像、濾波去噪、極坐標變換完成預(yù)處理。然后將極坐標變換得到的[θ，r]圖像序列沿θ方向進行投影得到信號強度曲線，如圖7(a)。接著通過閾值處理得到日冕物質(zhì)拋射的中心和最亮的部分，即核心角度，同時對核心角度利用區(qū)域增長算法得到整個日冕物質(zhì)拋射的角寬度。日冕物質(zhì)拋射前沿的確定是通過將圖像沿r方向進行投影得到信號強度曲線，如圖7(b)，曲線峰值對應(yīng)于最大高度處，曲線峰值的一半在前沿和后繼處。通過對比連續(xù)兩幀圖像，如果后張圖像的前沿和后繼以及兩者之差高于前張圖像時，表示日冕物質(zhì)拋射是擴張的，同時若前沿溢出視場或者日冕物質(zhì)拋射太暗識別不出時，停止追蹤，尋找下一個日冕物質(zhì)拋射。

在檢測準確率上，與CACTus類似，SEEDS能檢測到CDAW目錄約75%的日冕物質(zhì)拋射。但在檢測到的日冕物質(zhì)拋射總數(shù)量上，通過CACTus和SEEDS方法檢測得到的日冕物質(zhì)拋射數(shù)量是CDAW目錄的兩倍多。同時SEEDS方法還可以得到日冕物質(zhì)拋射的運動前沿輪廓，這可以在SEEDS目錄④SEEDS： http：//spaceweather.gmu.edu/seeds/看到。

圖7 (a)沿θ軸的一維投影強度分布圖；(b)沿r軸的一維投影強度分布圖。圖像來源于OLMEDO等(2008)[9]Fig.7 (a)The intensity profile of the 1D projection along the θ axis； (b)The intensity profile of the 1D projection along the r axis，image from OLMEDO et al.(2008)[9]

除了上述詳細介紹的兩種方法之外，還有許多基于灰度特征檢測日冕物質(zhì)拋射的方法。例如文[11]提出了一種基于支持向量機(Support Vector Machine，SVM)的日冕物質(zhì)拋射檢測方法，為了將日冕物質(zhì)拋射與其他結(jié)構(gòu)區(qū)分開來，該算法通過預(yù)處理產(chǎn)生差分圖像和分割圖像，然后再次利用閾值方法分割預(yù)處理得到的差分圖像和分割圖像，最終的分割結(jié)果是來自兩個分割結(jié)果的總和。接著將所有分割區(qū)域視為日冕物質(zhì)拋射候選區(qū)域，通過設(shè)定閾值將候選區(qū)域分為日冕物質(zhì)拋射區(qū)域和背景，最后在日冕物質(zhì)拋射區(qū)域利用支持向量機分類器區(qū)分強日冕物質(zhì)拋射和弱日冕物質(zhì)拋射。與其他方法相比，該方法的最大優(yōu)點是能夠?qū)娙彰嵛镔|(zhì)拋射和大多數(shù)弱日冕物質(zhì)拋射進行準確而快速的檢測。

與上述3種方法將LASCO圖像轉(zhuǎn)換為差分處理的極坐標圖不同，文[12-13]提出的ARTEMIS方法將LASCO C2圖轉(zhuǎn)換為天氣圖。如圖8，天氣圖的橫坐標為時間，表示日冕物質(zhì)拋射的流出時間，縱坐標為緯度，表示日冕物質(zhì)拋射的角度寬度。該算法利用中值濾波器去除噪聲，然后對天氣圖進行閾值處理返回一個二維掩碼，該掩碼定義了圖像的感興趣區(qū)域。最后通過引入日冕物質(zhì)拋射特性的先驗知識正確識別日冕物質(zhì)拋射。算法最終得到一個ARTEMIS目錄，列出了每個檢測到的日冕物質(zhì)拋射事件以及它們的主要參數(shù)。與CDAW目錄比較可以發(fā)現(xiàn)，該方法的優(yōu)點是能夠檢測到一些小的、微弱的日冕物質(zhì)拋射，與CACTus，SEEDS一樣，檢測到的日冕物質(zhì)拋射事件多于CDAW目錄。

圖8 將日冕物質(zhì)拋射圖轉(zhuǎn)換為天氣圖，圖像來源于BOURSIER等(2009)[13]Fig.8 Converting a CME image to a synoptic map，image from BOURSIER et al.(2009)[13]

基于灰度特征的4種方法先對LASCO圖像預(yù)處理得到極坐標圖或天氣圖，再進行閾值處理和形態(tài)學處理提取日冕物質(zhì)拋射特征，最后通過對日冕物質(zhì)拋射特征的識別或跟蹤計算出日冕物質(zhì)拋射的各種屬性?？梢园l(fā)現(xiàn)這些方法有一個共同點，就是都采用了亮度增強的方式突出日冕圖像中的感興趣區(qū)域即日冕物質(zhì)拋射區(qū)域。同時上述幾種方法在同一時期的LASCO圖像上檢測出的日冕物質(zhì)拋射數(shù)量都比CDAW目錄多，但也都不能完全檢測出CDAW中100%的日冕物質(zhì)拋射，這與自動檢測方法使用的圖像預(yù)處理技術(shù)和檢測規(guī)則、閾值的選取以及日冕物質(zhì)拋射的不明確定義都有關(guān)系。

2.3.2 基于紋理特征的方法

日冕物質(zhì)拋射不僅具有明顯的亮度結(jié)構(gòu)，而且還有復(fù)雜的紋理結(jié)構(gòu)。對于一些比較暗但具有明顯紋理結(jié)構(gòu)的日冕物質(zhì)拋射區(qū)域來說，利用紋理特征檢測是一個不錯的選擇。紋理特征的提取一般需要設(shè)定一定大小、包含多個像素點的窗口區(qū)域，然后從中取得紋理特征，尤其在檢索具有明顯粗細、疏密等圖像時有良好的表現(xiàn)。

文[14]使用小波分析方法對日冕物質(zhì)拋射進行分類，該算法是一種基于頻域分析的方法。通過在LASCO C2圖像上放置固定像素的窗口(實驗數(shù)據(jù)表明，窗口可以放置在圖像的任意位置)，使用標準快速傅里葉變換算法在窗口上執(zhí)行卷積，同時使用墨西哥帽作為基函數(shù)獲得窗口區(qū)域的小波譜，得到的小波譜圖橫坐標為尺度，縱坐標為通量。窗口區(qū)域表示的曲線都有一個拐點，該點區(qū)分了通量隨尺度變化的速度，通過計算每條曲線的二階導(dǎo)數(shù)獲得拐點的尺度(ac)和通量(fc)。如圖9，在ac-fc圖中可以看到小波譜明顯被分為兩組：低通量、小空間尺度組(Homogeneous Group)和高通量、大空間尺度組(Collimated Group)，其中box1和box2表示圖像上的兩個窗口。將該方法應(yīng)用到更大的日冕物質(zhì)拋射圖像樣本中，通過在ac-fc圖中繪制拐點的尺度和通量值，將這些點進行線性最小二乘擬合，就可以區(qū)分日冕物質(zhì)拋射圖像屬于哪一組。該方法是一種圖像濾波的分析方法，利用頻域的高通和低通特征分類日冕物質(zhì)拋射圖像，可以對由不同衛(wèi)星獲得的日冕物質(zhì)拋射進行直接分類。

圖9 日冕物質(zhì)拋射圖像分類結(jié)果，圖像來源于GONZ?LEZ-GóMEZ等(2010)[14]Fig.9 Classification results of CMEs images，image from GONZ?LEZ-GóMEZ et al.(2010)[14]

日冕物質(zhì)拋射圖像有多尺度特性，多尺度圖像處理技術(shù)對增強日冕物質(zhì)拋射前沿的可見性和抑制噪聲有很大作用。由于線段更能反應(yīng)圖像信息，而小波更適合識別點狀特征，如噪聲或背景恒星，不適合檢測日冕物質(zhì)拋射特征的線結(jié)構(gòu)，為此文[15]研究了高階多尺度技術(shù)，如脊波和曲線波。與小波變換不同，脊波變換首先進行Randon變換，用線參數(shù)取代點參數(shù)，之后進行小波變換。該變換能夠有效地表示直線奇異性特征，但是不能很好地表示圖像邊緣曲線。而曲線波變換彌補了脊波變換的不足，該方法能夠最優(yōu)地表示圖像的曲線奇異性特征。小波、脊波和曲線波類似，都采用基函數(shù)與信號的內(nèi)積實現(xiàn)信號的稀疏表示，不同的是脊波和曲線波變換的去噪效果好，同時能夠較好地表達圖像邊緣信息。分別利用小波變換和曲線波變換過濾原始圖像，對比實驗結(jié)果表明，與小波相比，曲線波變換能夠獲得較好的去噪效果，有效地增強了日冕物質(zhì)拋射圖像的前沿結(jié)構(gòu)。

圖像紋理可以表示為像素灰度值的空間變化的函數(shù)，紋理特征的提取除了利用信號處理領(lǐng)域的線性多尺度變換方法增強圖像的邊緣信息來檢測日冕物質(zhì)拋射前沿結(jié)構(gòu)之外，另一種有效的方法是利用灰度共生矩陣[27]捕獲并表征不同區(qū)域的紋理信息。文[16-17]提出了一種基于灰度共生矩陣的非參數(shù)監(jiān)督的日冕物質(zhì)拋射分割方法[16-17]，稱之為CORSET算法(CORonal Segmentation Technique)，該方法是在有監(jiān)督的區(qū)域競爭模型分割方法上的改進。區(qū)域競爭的目標是將圖像分割成多個區(qū)域，使得每個區(qū)域中的點具有相似的圖像特征。而將圖像每個像素的灰度值用作區(qū)域競爭方法中的特征向量時，有監(jiān)督的區(qū)域競爭模型分割日冕物質(zhì)拋射存在兩個問題：(1)日冕物質(zhì)拋射區(qū)域和背景的灰度直方圖有重疊；(2)日冕物質(zhì)拋射事件和背景的灰度直方圖不遵循正態(tài)分布，即統(tǒng)計模型未知。這兩個問題將會導(dǎo)致分類錯誤。針對第1個問題，為了解決直方圖重疊，新算法利用灰度共生矩陣描述日冕物質(zhì)拋射的紋理信息；針對第2個問題，使用非參數(shù)模型中的卡方統(tǒng)計檢驗，它可以評估觀察到的事件是否遵循某個特定分布。通過修改區(qū)域競爭運動方程，將卡方檢驗和紋理信息引入方程，同時在圖像分割中，使用快速水平集算法實現(xiàn)分割曲線的演變。該分割算法首先圍繞C2遮擋盤形成環(huán)狀區(qū)域，如圖10(a)，如果存在日冕物質(zhì)拋射，曲線演變?yōu)槿彰嵛镔|(zhì)拋射輪廓，如圖10(b)～(d)；如果不存在日冕物質(zhì)拋射，輪廓就會消失，如圖11。為了跟蹤日冕物質(zhì)拋射，使用當前圖像的分割結(jié)果作為下一圖像的初始輪廓，并根據(jù)修改的區(qū)域競爭運動方程演變輪廓，如果輪廓消失意味著某個日冕物質(zhì)拋射事件結(jié)束。該算法使用卡方檢驗和灰度共生矩陣，以便正確捕獲在差分圖像中觀察到的日冕物質(zhì)拋射紋理信息，可以檢測和跟蹤具有不同形狀和強度的日冕物質(zhì)拋射，同時得到了一個類似CACTus的日冕物質(zhì)拋射概覽圖。

圖10 日冕物質(zhì)拋射出現(xiàn)時的輪廓演變，圖像來源于GOUSSIES等(2010)[17]Fig.10 Contour evolution with a CME，image from GOUSSIES et al.(2010)[17]

圖11 沒有日冕物質(zhì)拋射時的輪廓演變，圖像來源于GOUSSIES等(2010)[17]Fig.11 Contour evolution without CMEs，image from GOUSSIES et al.(2010)[17]

雖然CORSET算法提供了日冕物質(zhì)拋射事件的邊界信息，但是沒有對日冕物質(zhì)拋射參數(shù)進行明確的定量評估，為此，在文[17]的基礎(chǔ)上，文[18]通過添加幾個新的功能，即自動計算不同的形態(tài)學和運動學參數(shù)擴展CORSET，增強了算法的功能，并將獲得的參數(shù)(中心位置角、角寬度和速度)與現(xiàn)有的手工目錄和自動檢測目錄進行比較。

由于日冕物質(zhì)拋射是一種不斷運動的狀態(tài)，因此可以通過將日冕物質(zhì)拋射結(jié)構(gòu)與背景區(qū)分開來進行檢測，目前大多數(shù)研究采用基于差分的方法檢測圖像的運動區(qū)域，但是這種數(shù)值差分會將噪聲增強到與目標相當?shù)乃剑m然利用中值濾波器會抑制噪聲，但也會平滑小型日冕物質(zhì)拋射特征，同時差分方法還會引入時空串擾的問題。為此，文[19]提出了一種反卷積方法，該算法利用歸一化徑向漸變?yōu)V波器[28]將日冕物質(zhì)拋射圖像分離成靜態(tài)的背景結(jié)構(gòu)和動態(tài)的日冕物質(zhì)拋射運動結(jié)構(gòu)，實驗結(jié)果表明，該方法能夠很好地檢測出弱日冕物質(zhì)拋射。

日冕物質(zhì)拋射區(qū)域與背景以及其他太陽結(jié)構(gòu)如冕流等在形態(tài)、紋理等特征上有明顯差異，在視覺上，冕流的頻譜分布相對均勻，而日冕物質(zhì)拋射區(qū)域的頻譜發(fā)生頻繁突變，為此，文[20]提出了一種基于頻譜突變分析的日冕物質(zhì)拋射識別方法。該算法與上述多尺度變換方法一樣，也是一種基于頻域分析的方法，算法利用傅里葉變換得到預(yù)處理后的日冕圖像的頻譜圖，分離出非突變和突變信息后，通過傅里葉反變換得到突變結(jié)構(gòu)在原圖中的對應(yīng)信息，確定日冕物質(zhì)拋射的初步分離，最后利用局部穩(wěn)定極值區(qū)域檢測方法確定日冕物質(zhì)拋射區(qū)域的輪廓。由于日冕物質(zhì)拋射區(qū)域輪廓不規(guī)則，因此提出基于區(qū)域協(xié)方差的外接橢圓方法得到角寬度、速度等參數(shù)。由于該方法分析的是圖像的頻譜，因此在識別多重和晦暗日冕物質(zhì)拋射時具有良好的效果。

上述日冕物質(zhì)拋射檢測方法是建立在時域、頻域以及多尺度分析的基礎(chǔ)上，通過信號處理中的小波、脊波和曲波等線性多尺度變換方法，研究圖像的頻譜信息以及利用統(tǒng)計中的灰度共生矩陣描述紋理特征，該類方法在檢測弱日冕物質(zhì)拋射以及暗日冕物質(zhì)拋射時表現(xiàn)良好。

2.3.3 基于光流法

光流是測量數(shù)字圖像運動的一種強大的圖像處理工具，它包含圖像中目標運動的信息。光流算法可以從連續(xù)圖像序列中估計每個像素的速度矢量，從而形成該圖像的運動場，可以用來確定目標的運動情況。

文[21]提出了一種基于光流法的日冕物質(zhì)拋射檢測和跟蹤算法，對光流約束方程添加平滑正則化項——馬爾科夫隨機場。然后將光流的估計表示為全局優(yōu)化問題，為了找到全局最小值，采用多重網(wǎng)格松弛法[29]進行求解。將光流估計方法應(yīng)用于LASCO C2圖像，觀察到1999年到2004年間大約330個日冕物質(zhì)拋射并進行編目，最終對10個具有明顯結(jié)構(gòu)的日冕物質(zhì)拋射進行分析，推導(dǎo)出它們的速度場，結(jié)果如圖12，上面一行表示輸入圖像，下面一行表示光流結(jié)果，陰影顏色表示速度大小，箭頭方向表示在8×8網(wǎng)格上采樣的速度方向。得到的速度測量結(jié)果能夠可視化日冕物質(zhì)拋射等離子體的演化。該算法速度非?？?，可以應(yīng)用于所有日冕物質(zhì)拋射圖像，同時基于光流算法檢測到的圖像可以很容易地看到日冕物質(zhì)拋射的擴展。

圖12 光流法檢測日冕物質(zhì)拋射的結(jié)果，圖像來源于COLANINNO等(2006)[21]Fig.12 CMEs detection results from an optical flow method，image from COLANINNO et al.(2006)[21]

與文[21]應(yīng)用全局優(yōu)化的光流算法不同，文[22]提出了一種利用梯度估計的局部參數(shù)化光流方法檢測日冕物質(zhì)拋射，通過Lucas-Kanade算法計算相鄰兩幀圖像在某一時段每個像素點位置的移動，即速度矢量。而該光流算法有一定的約束條件，僅適應(yīng)于小的運動目標，當目標運動速度較大時，即幀間運動較大，算法誤差比較大，因此在運動分析中引入基于金字塔的多分辨率約束，通過二次采樣縮小圖像的尺寸，同時在二次采樣前對圖像應(yīng)用低通濾波器以減小強度變化對運動估計的影響，提高算法的魯棒性。該方法通過提出一種可靠運動區(qū)域的提取策略，得到一個密集的速度場，并在一系列連續(xù)日冕圖像上進行測試來檢測和跟蹤相鄰兩幀圖像之間的運動信息。

利用光流法檢測日冕物質(zhì)拋射運動目標的基本思想在于給圖像中的每個像素點賦予一個速度矢量，形成一個矢量場，根據(jù)各個像素點的速度矢量特征對圖像進行動態(tài)分析。如果圖像中沒有運動目標，則光流矢量在整個圖像區(qū)域是連續(xù)變化的；當圖像中有運動物體時，目標和背景存在相對運動，兩者形成的速度矢量必然不一樣，如此便可以計算出圖像中日冕物質(zhì)拋射的位置。

2.3.4 基于學習的方法

傳統(tǒng)的檢測方法主要通過人為定義特征或利用設(shè)定簡單的閾值進行處理，并不能很準確地檢測日冕物質(zhì)拋射現(xiàn)象，而且日冕物質(zhì)拋射通常具有明亮的結(jié)構(gòu)和豐富的紋理特征，僅使用單一特征識別日冕物質(zhì)拋射區(qū)域也不夠準確。隨著近年來機器學習與深度學習技術(shù)在計算機視覺與圖像處理中的應(yīng)用越來越廣泛[30-31]，機器學習中有很多效果良好的分類器被用來解決各種分類和檢測問題。同時日冕物質(zhì)拋射檢測是一個二分類問題，即識別圖像中是否存在日冕物質(zhì)拋射，因此基于學習的方法可應(yīng)用于日冕物質(zhì)拋射檢測。

由于日冕物質(zhì)拋射在形狀和空間尺度上變化很大，因此僅使用單一分類器是不夠的。在機器學習領(lǐng)域，文[32]提出的AdaBoost算法能夠集成同一個訓(xùn)練集訓(xùn)練的不同弱分類器，構(gòu)成一個強分類器，該強分類器的性能超過集成的任一弱分類器。基于AdaBoost，文[23]提出了一種日冕物質(zhì)拋射圖像分類算法，與上述大多數(shù)方法在極坐標變換下的圖像中檢測日冕物質(zhì)拋射不同，該方法直接將扇形區(qū)域的差分圖像分割成塊，并分析圖像中最亮塊的灰度。通過實驗表明：切片大小、灰度閾值和亮點分數(shù)閾值都會影響檢測結(jié)果，因此該方法通過獲得學習樣本并為其設(shè)計分類模型以得到這3種影響因子的最佳參數(shù)組來設(shè)計弱分類器。最后使用AdaBoost組合這些弱分類器，得到最終的強分類器。

與文[23]類似，文[25]也認為日冕物質(zhì)拋射對應(yīng)圖像中的最亮塊，因此將日冕物質(zhì)拋射的檢測建模為差分圖像中最亮塊的分類問題，同樣提出了一種基于AdaBoost分類日冕物質(zhì)拋射圖像的算法。不同的是該算法將差分圖像進行了極坐標變換，提取變換后圖像最亮塊的灰度、紋理和方向梯度直方圖(Histogram of Oriented Gradient，HOG)特征，采用多特征融合的方式構(gòu)造分類器。由于日冕物質(zhì)拋射具有不同的外觀、灰度和紋理特征，因此選擇合適特征和分類器非常重要，而決策樹可以自動實現(xiàn)特征選擇和分類，因而將其設(shè)計為弱分類器，同時AdaBoost作為集成分類器可以提高單個分類器的分類能力。由于集成學習的群體智慧和決策樹的特征選擇能力，所提出的基于多特征檢測算法的集成可以獲得更好的檢測效果。由于該方法主要考慮最亮塊區(qū)域，而忽略了暗腔區(qū)域及其他類似日冕物質(zhì)拋射的太陽結(jié)構(gòu)體，容易漏掉比較微弱的日冕物質(zhì)拋射事件。

針對分類器收斂速度慢的問題，文[24]還提出了一種基于極限學習機[33]的新檢測算法，該方法通過幀間差分、極坐標變換、濾波去噪完成預(yù)處理。與上述方法類似，同樣基于塊分割圖像的方法，不同的是之前提出的方法是將最亮的部分分割成塊，而該算法是利用固定大小的塊遍歷預(yù)處理后的整個圖像。塊尺寸的選擇如下：若塊中包含的所有像素的平均灰度值高于指定閾值，該塊被視為亮塊，通過計算每個塊大小下的分類準確率(正確檢測樣本與所有樣本之比)選擇最高準確率的塊尺寸分割圖像。同時使用灰度和紋理特征組成特征向量并構(gòu)建基于極限學習機的分類器。該方法的優(yōu)點是可以選擇合適的特征，收斂速度快，同時通過使用時空連續(xù)性的決策規(guī)則，可以去除大多數(shù)具有類似日冕物質(zhì)拋射的太陽結(jié)構(gòu)體，提高了分類效果。

上述幾種基于機器學習的方法都將圖像中的最亮塊視為日冕物質(zhì)拋射，因此都是對最亮塊進行檢測和分類，同時選擇的分類器也各有特點。但是這些方法都是通過人為定義特征的提取，由于日冕物質(zhì)拋射具有多種特征，人工選擇的特征不一定能得到好的檢測效果。而深度學習具有強大的學習能力和特征表達能力，會自動提取特征進行分類。文[3]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，CNN)的日冕物質(zhì)拋射檢測方法，卷積神經(jīng)網(wǎng)絡(luò)采用有監(jiān)督的學習方式，使用海量具有標簽的訓(xùn)練樣本，結(jié)合反向傳播算法更新權(quán)重，訓(xùn)練出一個具有分類能力的網(wǎng)絡(luò)。該方法自動提取適應(yīng)于日冕物質(zhì)拋射檢測的圖像特征并建立檢測模型，網(wǎng)絡(luò)結(jié)構(gòu)采用包含卷積層、池化層和全連接層的六層卷積神經(jīng)網(wǎng)絡(luò)。為了網(wǎng)絡(luò)模型能夠在訓(xùn)練階段學習到較好的參數(shù)進行分類任務(wù)，訓(xùn)練采用明顯的日冕物質(zhì)拋射圖像數(shù)據(jù)集。同時以此參數(shù)為基準在微調(diào)階段采用微弱的日冕物質(zhì)拋射數(shù)據(jù)集進行參數(shù)調(diào)優(yōu)，使得網(wǎng)絡(luò)模型能獲得較好的分類效果。相較于以往的檢測方法，基于卷積神經(jīng)網(wǎng)絡(luò)的分類方法在圖形處理器模式下圖像處理效率遠勝于其他算法，實時性好。

目前基于學習方法檢測日冕物質(zhì)拋射的研究還不多，文獻也很少，與上述傳統(tǒng)方法相比，該類方法分類效果好，檢測準確率高，因此，可以將此方法作為未來日冕物質(zhì)拋射檢測的一個重要研究方向。

3 總結(jié)與展望

日冕物質(zhì)拋射是一種劇烈的太陽爆發(fā)活動，噴發(fā)出的物質(zhì)攜帶巨大的能量，從而引起地球空間環(huán)境的強烈擾動，可能對通訊、導(dǎo)航、航天器等高技術(shù)系統(tǒng)造成災(zāi)害性影響，因此，日冕物質(zhì)拋射的檢測對預(yù)防這些災(zāi)害性空間天氣具有非常重要的作用。

目前雖然已經(jīng)有很多方法應(yīng)用到日冕物質(zhì)拋射的檢測領(lǐng)域，使得日冕物質(zhì)拋射的檢測研究取得了很大進展，但這仍然是一個具有挑戰(zhàn)性的問題。(1)日冕物質(zhì)拋射具有不同的尺度、大小和形狀，這使得難以選擇適當?shù)奶卣鱽頇z測所有日冕物質(zhì)拋射；(2)日冕物質(zhì)拋射在噴射過程中伴隨一些與其結(jié)構(gòu)非常相似的干擾源，因此很難將日冕物質(zhì)拋射與這些結(jié)構(gòu)區(qū)分；(3)對于一些小的、弱的日冕物質(zhì)拋射，通常會發(fā)生誤檢與漏檢。

隨著近年來機器學習技術(shù)在圖像處理與機器視覺領(lǐng)域獲得巨大成功，可以利用機器學習技術(shù)替代簡單的閾值分割技術(shù)提高日冕物質(zhì)拋射檢測效果。同時深度神經(jīng)網(wǎng)絡(luò)可以自動提取合適的特征，在語音識別、圖像處理等方面都取得了良好的效果。另外，現(xiàn)階段大數(shù)據(jù)和高性能計算設(shè)備為深度學習在日冕物質(zhì)拋射檢測中的應(yīng)用提供了條件。后續(xù)日冕物質(zhì)拋射檢測的主要研究方向可以從以下幾方面開展：

(1)繼續(xù)利用機器學習的方法選擇合適的特征以及分類器，進一步提高日冕物質(zhì)拋射的分類效果；

(2)由于日冕物質(zhì)拋射的爆發(fā)是一個動態(tài)過程，可以將基于深度學習的運動目標檢測方法應(yīng)用于該檢測；

(3)可以認為日冕物質(zhì)拋射的檢測是分離日冕圖像中前景運動目標的過程，因此可以將基于深度學習的前景檢測與背景減除方法應(yīng)用于該檢測。

利用基于深度學習方法的一個難點和重點在于數(shù)據(jù)集的制作，手工標記需要大量的人力與時間，同時對一些弱、小的日冕物質(zhì)拋射標記時可能會有誤差和歧義，還需要不斷地深入研究。

總而言之，隨著人工智能技術(shù)的發(fā)展和進步，面向大數(shù)據(jù)分析和挖掘的各類基于學習的技術(shù)在太陽物理學研究和應(yīng)用中，將有更為廣泛的應(yīng)用空間和前景。因此，基于機器學習和深度學習等技術(shù)可以很好地應(yīng)用到日冕物質(zhì)拋射的檢測上，有望得到更快速、更準確的檢測結(jié)果。